人脸表情识别是当前人机交互和模式识别的研究热点之一,人脸表情识别的应用场景主要包括人机交互,智能控制,安全驾驶,医疗,通信等领域。而如今的人脸表情识别研究主要以静态图片为研究对象,但是静态图像往往丢失了许多动态特性,所以常常不能准确的捕捉到对象的一些微表情。基于此,本文将通过对视频数据的分析,动态地捕捉表情的细微变化,更好的反映对象真实的表情特点。本文的主要研究工作及创新点如下:1.针对静态图片,使用VGG卷积网络结构,通过微调参数及网络的拓扑结构,减少网络的参数,使其能够在低端配置计算机上运行,并且尽可能的保持算法的精确性和鲁棒性。2.针对图像序列,首先提出了一种新型的提取头像框的方法,然后采用了双流卷积神经网络的设想,构造搭建双流网络,其中空间流网络使用静态图片训练过的VGG网络,时间流网络中创新性的采用3D卷积网络的结构将相邻帧的光流图进行输入,然后对其进行融合训练。通过对数据集的仿真试验后,发现该模型能够较好地完成对各种动态表情分类工作。